d’CartesiaN

Jurnal Matematika dan Aplikasi

p-ISSN: 2302-4224 e-ISSN: 2685-1083

J o u r n a l h o m e p a g e: https://ejournal.unsrat.ac.id/index.php/decartesian

Penerapan Regresi Binomial Negatif Dalam Mengatasi Overdispersi Regresi

Poisson Pada Kasus Jumlah Kematian Ibu
Marzena Melisa Majore1, Deiby Tineke Salaki1*, Jantje Denny Prang1
1 Jurusan Matematika–Fakultas Matematika dan Ilmu Pengetahuan Alam–Universitas Sam Ratulangi Manado, Indonesia
∗
Corressponding author : deibyts.mat@unsrat.ac.id

ABSTRAK INFO ARTIKEL :

Angka kematian ibu merupakan banyaknya kematian yang terjadi selama proses Diterima : 12 Juli 2020
kehamilan serta dalam periode 42 hari setelah berakhirnya kehamilan per 100.000 Diterima setelah revisi : 29 Agustus 2020
kelahiran hidup. Hubungan antara faktor-faktor dengan banyaknya kematian ibu dapat Tersedia online : 5 Januari 2021
diketahui dengan menggunakan analisis regresi Poisson. Penelitian ini menggunakan
data tahun 2018 dari Dinas Kesehatan Provinsi Sulawesi Utara berupa jumlah kematian
ibu sebagai variabel respon dan sejumlah variabel prediktor dengan unit pengamatannya Kata Kunci:
adalah kabupaten/kota. Dalam analisis regresi Poisson, variabel respon mengasumsikan Generalized Linier Model
ekuidispersi (nilai ragam sama dengan nilai rataannya). Namun, dalam data riil Multikolinearitas
seringkali terjadi overdispersi (nilai varians lebih besar dari mean). Salah satu cara untuk Overdispersi
mengatasinya adalah dengan analisis regresi binomial negatif. Tujuan dari penelitian ini Sulawesi Utara
ibu hamil.
adalah menentukan model regresi Poisson dan regresi binomial negatif untuk
mendapatkan faktor-faktor yang secara signifikan mempengaruhi jumlah kematian ibu
di Provinsi Sulawesi Utara. Model regresi binomial negatif yang diperoleh adalah
𝑦̂ = exp(0.17556 + 0.29437𝒙1 + 0.32063𝒙4 )
bertambahnya jumlah kasus perdarahan pada ibu hamil (𝒙1 ) dan jumlah kasus yang
disebabkan oleh faktor-faktor lainnya (𝒙4 ), maka akan meningkatkan angka kematian ibu
di Provinsi Sulawesi Utara.

ABSTRACT ARTICLE INFO:

The maternal mortality rate is the number of deaths occurring during the pregnancy and Received : 12 July 2020
in the period 42 days after the end of pregnancy per 100,000 live births. The relationship Received after revision : 29 August 2020
between factors with many maternal deaths can be noted using Poisson regression
analyses. This research used the 2018 data from the provincial health office of North Available online : 5 January 2021
Sulawesi as the number of maternal deaths as a response variable and a number of
predictor variables with its observation unit is district/municipality. In Poisson's
regression analysis, the response variable assumes equidispersion (the value of the range
equals its rating). However, in real data often occurs overdispersion (the range is greater
than the value of its rating). One way to solve this is with the analysis of negative binomial Keywords:
regression. The purpose of this study was to apply a negative binomial regression model Generalized Linier Model
to Poisson regression models from the total deaths of mothers experiencing Multicollinearity
overdispersion. The use of Poisson regression model on the number of maternal deaths Overdispersion
in North Sulawesi province does not indicate a strong indication of overdispersion. North Sulawesi
Results of the analysis showed that Poisson's regression was better than negative
binomial regression in modeled the number of maternal deaths in North Sulawesi in 2018 Pregnant woman.
with the following equation:
𝜇̂ = exp(0.4713𝒙1 )
One case increase in number of bleeding in pregnant women (𝒙1 ) has a multiplicative
impact of exp(0.4713) = 0.16 on expectation value of the number of maternal deaths..

1. PENDAHULUAN indikator dalam penilaian keberhasilan program

pembangunan dan pelayanan kesehatan. Kasus
Angka kematian (mortalitas) merupakan angka
kematian ibu Provinsi Sulawesi Utara tahun 2016
yang menunjukkan banyaknya kematian dari tiap seribu
mengalami penurunan dibandingkan dengan tahun
penduduk dalam waktu satu tahun yang disebabkan oleh
2015, dimana pada tahun 2016 terdapat 54 kasus
suatu keadaan, berupa penyakit ataupun sebab lainnya.
menurun dibandingkan dengan tahun 2015 sebanyak 71
Peristiwa kematian di suatu wilayah dari waktu ke waktu
kasus kematian [1].
dapat memberikan gambaran perkembangan derajat
Jumlah kematian ibu dapat ditekan jika faktor-
kesehatan masyarakat, yang sering digunakan sebagai
faktor yang mempengaruhinya diketahui. Hubungan

133
 Marzena M. Majore, Deiby T. Salaki, Jantje D. Prang
d’Cartesian: Jurnal Matematika dan Aplikasi, Vol.9, No. 2, (September 2020): 133-139

antara faktor-faktor tersebut dengan jumlah kematian Berdasarkan persamaan (3), menurut [4] GLM
ibu dapat diketahui dengan menggunakan analisis memiliki tiga komponen, yaitu :
regresi. Analisis regresi merupakan suatu metode yang 1. Komponen acak yaitu peubah respon 𝑌1 , 𝑌2 , … , 𝑌𝑛
digunakan untuk memprediksi nilai satu variabel yang diasumsikan menyebar keluarga
berdasarkan nilai variabel yang lain. Analisis regresi ekponensial.
dibedakan atas analisis regresi linear dan analisis regresi 2. Parameter 𝜷 dan peubah penjelas
nonlinear. Untuk memodelkan data dalam analisis 𝒙1𝑇 𝑥11 … 𝑥1𝑝
regresi nonlinear dapat menggunakan Generalized 𝑿=[ ⋮ ]=[ … …]
Linear Model (GLM). Salah satu analisis regresi 𝒙𝑇𝑛 𝑥𝑛1 … 𝑥𝑛𝑝
nonlinier yang dimodelkan dengan GLM adalah analisis 3. Fungsi penghubung yaitu suatu fungsi monoton
regresi Poisson.
𝑔 yang dapat diturunkan sedemikian hingga:
Analisis regresi Poisson adalah suatu model yang
𝑔(𝜇𝑖 ) = 𝒙𝑇𝑖 𝜷 dengan 𝜇𝑖 = 𝐸(𝑌𝑖 )
digunakan untuk menganalisis hubungan antara 𝑥𝑖1
variabel respon yang berdistribusi Poisson dengan
Dengan 𝒙𝑖 = [ ⋮ ] sehingga 𝒙𝑇𝑖 = [𝑥𝑖1 … 𝑥𝑖𝑝 ]
sejumlah variabel prediktor. Regresi Poisson 𝑥𝑖𝑝
mengasumsikan ekuidispersi yaitu nilai ragam dari
variabel repon sama dengan rataannya. Namun, pada
2.4 Distribusi Poisson
prakteknya asumsi ini sangat jarang terjadi karena
Distribusi Poisson merupakan distribusi yang
biasanya data count memiliki ragam lebih besar dari
digunakan untuk peristiwa yang memiliki probabilitas
rataannya atau disebut kondisi overdispersi [2].
kejadiannya kecil, dimana kejadian tersebut tergantung
Overdispersi menyebabkan nilai devians model
pada interval waktu tertentu atau disuatu daerah
menjadi sangat besar dan menyebabkan model regresi
tertentu. Menurut [4] fungsi probabilitas untuk variabel
Poisson yang dihasilkan menjadi kurang tepat.
acak diskrit 𝑌 adalah:
Alternatif model yang biasanya digunakan untuk
𝜃 𝑦 𝑒 −𝜃 (4)
mengatasi overdispersi adalah regresi binomial negatif. 𝑓(𝑦|𝜃) = , 𝑦 = 0,1,2, …
𝑦!
2. TINJAUAN PUSTAKA Dimana 𝑦 bernilai 0,1,2, … dan 𝜃 = 𝐸(𝑌) adalah nilai
ekspetasi atau nilai rataannya.
2.1. Angka Kematian Ibu (AKI) Suatu peubah acak 𝑌 dikatakan menyebar keluarga
Menurut [3] angka kematian ibu (AKI) adalah eksponensial, jika fungsi kepadatan peluangnya dapat
banyaknya kematian perempuan pada saat hamil atau dituliskan seperti persamaan (2). Distribusi peluang
selama 42 hari sejak terminasi kehamilan tanpa Poisson pada persamaan (4) dapat ditulis dalam bentuk
memandang lama dan tempat persalinan, yang distribusi keluarga eksponensial sebagai berikut:
disebabkan karena kehamilannya atau pengelolaannya, 𝑓(𝑦|𝜃) = 𝑒 −𝜃 𝜃 𝑦 (𝑦!)−1
dan bukan karena sebab-sebab lain, per 100.000 = exp (−𝜃 + 𝑦 log 𝜃 − log 𝑦! )
kelahiran hidup. Kematian ibu yang dimaksud adalah = exp (𝑦 log 𝜃 − 𝜃 − log 𝑦! ) (5)
kematian perempuan pada saat hamil atau kematian
dalam kurun waktu 42 hari sejak terminasi kehamilan Jadi dapat disimpulkan distribusi Poisson
tanpa memandang lamanya kehamilan atau tempat merupakan keluarga eksponensial dengan 𝑎(𝑦) = 𝑦,
persalinan, yakni kematian yang disebabkan karena 𝑐(𝜃) = −𝜃 dan 𝑑(𝑦) = − log(𝑦!). Parameter 𝑏(𝜃) = log 𝜃
kehamilannya atau pengelolaannya, tetapi bukan karena disebut sebagai parameter naturalnya.
sebab-sebab lain seperti kecelakaan, terjatuh dan lain-
lain. 2.5 Goodness Of Fit
Menurut [5] uji kesesuaian (goodness of fit)
2.2 Distribusi Keluarga Eksponensial
bertujuan untuk mengambil kesimpulan tentang
Menurut [4] suatu variabel acak Y yang menyebar sebaran populasi. Uji goodness of fit digunakan untuk
keluarga eksponensial dengan parameter θ, memiliki mengetahui suatu data berdistribusi Poisson atau tidak
distribusi peluang yang dapat ditulis dalam bentuk: dengan menggunakan uji Kolmogorov-Smirnov.
𝑓(𝑦; 𝜃) = 𝑠(𝑦)𝑡(𝜃) 𝑒^(𝑎(𝑦)𝑏(𝜃)) (1) Hipotesis:
Dengan a,b,s dan t adalah fungsi yang diketahui. 𝐻0 = Sampel berasal dari populasi yang
Persamaan (1) dapat juga dituliskan dalam bentuk lain berdistribusi Poisson
untuk lebih menjelaskan hubungan simetri antara y dan 𝐻1 = Sampel tidak berasal dari populasi yang
θ sebagai berikut: berdistribusi Poisson
𝑓(𝑦; 𝜃) = 𝑒𝑥𝑝 [𝑎(𝑦)𝑏(𝜃) + 𝑐(𝜃) + 𝑑(𝑦)] (2) Dengan mengambil taraf signifikansi 𝛼 maka kriteria
Dengan 𝑠(𝑦) = 𝑒𝑥𝑝 𝑑(𝑦) dan 𝑡(𝜃) = 𝑒𝑥𝑝 𝑐(𝜃). Jika pengujiannya menolak 𝐻0 jika nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼
𝑎(𝑦) = 𝑦 maka distribusi tersebut dikatakan dalam
bentuk standar dan 𝑏(𝜃) disebut parameter natural dari 2.6 Multikolinearitas
distribusi. Beberapa distribusi yang diketahui termasuk
dalam keluarga eksponensial antara lain: Poisson, Menurut [6] multikolinearitas adalah kondisi
normal, eksponensial dan binomial negatif. adanya korelasi yang tinggi antar variabel-variabel
prediktor dalam model. Multikolinearitas dapat
2.3 Generalized Linear Model (GLM) dideteksi dari nilai VIF (Varians Inflation Factor). Jika
nilai VIF lebih besar dari 10 maka dikatakan terjadi
GLM merupakan perluasan dari model linier klasik multikolinearitas antar variabel prediktor. Nilai 𝑉𝐼𝐹𝑗
dimana 𝑌 berdistribusi secara keluarga eksponensial
dinyatakan sebagai berikut:
[2]. Model GLM dapat dituliskan sebagai berikut : 1
𝑔(𝜇𝑖 ) = 𝒙𝑇𝑖 𝜷 (3) 𝑉𝐼𝐹𝑗 =
1 − 𝑅𝑗2 (6)

134
 Penerapan Regresi Binomial Negatif Dalam Mengatasi Overdispersi Regresi Poisson Pada Kasus
Jumlah Kematian Ibu
d’Cartesian: Jurnal Matematika dan Aplikasi, Vol.9, No. 2, (September 2020): 133-139

Nilai 𝑅𝑗2 menyatakan koefisien determinasi antara 𝒙𝑗 2.10 Regresi Binomial Negatif
dengan variabel prediktor lainnya.
Model regresi binomial negatif lebih fleksibel
dibandingkan model Poisson karena rataan dan ragam
2.7 Maximum Likelihood Estimator (MLE)
dari model binomial negatif tidak harus sama. Fungsi
Menurut [4] estimasi parameter pada regresi peluang binomial negatif adalah sebagai berikut:
Poisson dilakukan dengan menggunakan metode MLE.
MLE merupakan salah satu metode penaksiran (𝑦 + 𝛼 −1 ) 𝛼𝜇 𝑦 1 𝛼 −1
(11)
parameter suatu model yang distribusinya diketahui. 𝑃(𝑦|𝜇, 𝛼) = ( ) ( )
𝑦! (𝛼 −1 ) 1 + 𝛼𝜇 1 + 𝛼𝜇
Prinsip dari metode ini adalah mencari taksiran
maksimum likelihood dari parameter, yaitu taksiran dari
Dengan 𝛼 merupaka parmeter dispersi, 𝛼 > 0. Jika 𝛼 →
parameter-parameter yang memaksimumkan fungsi
likelihood. Fungsi log-likelihood dapat ditulis dalam 0, maka distribusi ini mendekati Poisson (𝜇). sebaran
persamaan berikut: Binomial Negatif memiliki rataan 𝐸(𝑌) = 𝜇 dan ragan
𝑛 𝑣𝑎𝑟(𝑌) = 𝜇 + 𝜇2 𝛼 [9].
ℓ(𝜃) = log 𝐿(𝜃) = ∑{𝑦𝑖 𝑙𝑜𝑔(𝜃) − 𝜃 − 𝑙𝑜𝑔(𝑦𝑖 !)} (7) Menurut [8] regresi Poisson dapat dinyatakan
𝑖=1
sebagai berikut:
Pendugaan bagi parameter 𝜃 diperoleh dengan 𝜂𝑖 = 𝑙𝑛(𝜇𝑖 ) = 𝛽0 + 𝛽1 𝑥𝑖1 + 𝛽2 𝑥𝑖2 + ⋯ + 𝛽𝑝 𝑥𝑖𝑝 (12)
menurunkan persamaan dan menyamakan dengan 0. Dimana :
Namun demikian secara analitik tidak memungkinkan 𝜂𝑖 = fungsi penghubung
atau sulit dilakukan sehingga umumnya dilakukan 𝜇𝑖 = nilai tengah peubah respon ke-𝑖
secara numerik dengan metode Newton-Rapson. 𝛽0 = konstanta
𝛽1 , 𝛽2 , … , 𝛽𝑝 = koefisien regresi variabel prediktor
2.8 Regresi Poisson ke-1 sampai 𝑝
Regresi Poisson merupakan analisis regresi 𝑥𝑖𝑝 = nilai variabel prediktor ke-𝑗 amatan
nonlinier dari distribusi Poisson, dimana analisis ini ke-𝑖
sangat cocok digunakan dalam menganalisis data
diskrit. Model regresi Poisson termasuk dalam GLM 2.11 Pengujian Model
karena variabel respon Y memiliki sebaran dari keluarga 2.11.1 Uji Wald
eksponsial yaitu sebaran Poisson., tidak terdapat
multikoleniaritas antar variabel prediktor dan Uji Wald dilakukan terhadap masing-masing
mengasumsikan ekuidispersi, yaitu 𝑉𝑎𝑟(𝑌) = 𝐸(𝑌) [7]. variabel prediktor yang ada untuk mengetahui pengaruh
Dalam regresi Poisson, fungsi penghubung yang yang diberikan setiap variabel prediktor terhadap nilai
digunakan adalah fungsi log, karena rata-rata dari variabel respon.
variabel responnya akan berbentuk fungsi eksponensial Hipotesis
dan menjamin bahwa nilainya bernilai non-negatif. 𝐻0 ∶ 𝛽𝑗 = 0, 𝑗 = 1,2, … (variabel prediktor tidak
Menurut [8] regresi Poisson dapat dinyatakan sebagai berpengaruh terhadap variabel respon)
berikut: 𝐻1 ∶ 𝛽𝑗 ≠ 0 (variabel prediktor berpengaruh
𝜂𝑖 = 𝑙𝑛(𝜇𝑖 ) = 𝛽0 + 𝛽1 𝑥𝑖1 + 𝛽2 𝑥𝑖2 + ⋯ + 𝛽𝑝 𝑥𝑖𝑝 (8) terhadap variabel respon)
Dimana : Statistik Uji:
𝜂𝑖 = fungsi penghubung
𝜇𝑖 = nilai tengah peubah respon ke-𝑖 𝛽̂𝑗
2 (13)
𝛽0 = konstanta 𝑊𝑗 = [ ]
𝑆𝐸(𝛽̂𝑗 )
𝛽1 , 𝛽2 , … , 𝛽𝑝 = koefisien regresi variabel prediktor
ke-1 sampai 𝑝 Kriteria Pengujian : Jika nilai 𝑊 > 𝑋 2 (𝛼,1) atau 𝑃 −
𝑥𝑖𝑝 = nilai variabel prediktor ke-𝑗 amatan
𝑣𝑎𝑙𝑢𝑒 < 𝛼 maka tolak 𝐻0 artinya koefisien regresi
ke-𝑖 tersebut signifikan [8].
2.9 Overdispersi 2.11.2 Akaike information Criteria (AIC)
Menurut [8] overdispersi merupakan kondisi AIC merupakan informasi perbedaan yang
dimana nilai V𝑎𝑟 (𝑌) > 𝐸(𝑌). Overdispersi dapat dianggap sebagai dasar kriteria untuk mengevaluasi
dideteksi dengan menentukan rasio dispersi (𝜙), yaitu kebaikan model. AIC didefinisikan sebagai :
rasio antara 𝜒2 dan derajat bebasnya (𝑑𝑏), yaitu: 𝐴𝐼𝐶 = −2 ln 𝐿(𝜃̂ ) + 2 𝑝 (14)

𝜒2 (9) dengan 𝐿(𝜃̂ ) adalah nilai likelihood model, dan 𝑝 adalah

𝜙=
𝑑𝑏 banyaknya parameter. Nilai AIC yang semakin kecil
Dengan 𝑑𝑏 = 𝑁 − 𝑝. Suatu model dikatakan mengalami menunjukan model yang diperoleh semakin baik [10]
overdispersi jika 𝜙 bernilai lebih dari satu. Untuk model
regresi Poisson maka 𝜒2 dituliskan sebagai 2.11.3 Uji likelihood ratio (T)
𝑁 (10) Menurut [10] uji likelihood ratio (T) biasa
(𝑦𝑖 − 𝐸(𝑌))2 digunakan untuk uji perbandingan model. Berikut ini
𝜒2 = ∑
𝑖=1
𝑉𝑎𝑟(𝑌) adalah hipotesis uji Likelihood ratio.
dengan 𝑦𝑖 merupakan nilai pengamatan ke-𝑖 dari Hipotesis:
variabel respon. 𝐻0 : 𝑘 = 0 (Model regresi Poisson lebih baik
daripada model regresi binomial negatif)

135
 Marzena M. Majore, Deiby T. Salaki, Jantje D. Prang
d’Cartesian: Jurnal Matematika dan Aplikasi, Vol.9, No. 2, (September 2020): 133-139

𝐻1 : 𝑘 ≠ 0 (Model regresi binomial negatif lebih Tabel 1. Data Penelitian Jumlah Kematian Ibu di
baik daripada model regresi Poisson) Sulawesi Utara 2018
Statistik Uji:
𝑇 = 2(𝐿̂𝐵𝑁 − 𝐿̂𝑃𝑜𝑖𝑠𝑠𝑜𝑛 ) (15) Kabupaten/Kota 𝒚 𝒙𝟏 𝒙𝟐 𝒙𝟑 𝒙𝟒

Bolmong 6 0 1 0 5
Dimana:
Minahasa 3 3 0 0 0
𝐿̂𝐵𝑁 : nilai log-likelihood model regresi
binomial negatif Sangihe 2 0 1 0 1

𝐿̂𝑃𝑜𝑖𝑠𝑠𝑜𝑛 : nilai log-likelihood model regresi Talaud 1 1 0 0 0

Poisson 4
Minsel 11 3 2 2
Minut 3 3 0 0 0
3 METODE PENELITIAN
Bolmut 2 0 1 0 1
3.1 Waktu dan Tempat Penelitian
Sitaro 0 0 0 0 0
Data yang digunakan dalam penelitian ini adalah
data sekunder yaitu data angka kematian ibu yang Mitra 2 1 0 0 1
berasal dari Dinas Kesehatan Provinsi Sulawesi Utara. Bolsel 3 3 0 0 0
Pada penelitian ini, unit pengamatannya meliputi 15 1
kota dan kabupaten di Provinsi Sulawesi Utara yakni Boltim 4 0 2 1
terdiri dari 4 kota dan 11 kabupaten. Data yang Manado 10 1 2 1 6
dimaksud termuat dalam Profil Kesehatan Sulut [1] Bitung 1 1 0 0 0

Tomohon 1 1 0 0 0
3.2 Teknik Pengambilan Sampel
Kotamobagu 3 2 0 0 1
Variabel penelitian yang digunakan dalam
penelitian ini berupa variabel respon (𝑌) yakni Sumber : Dinas Kesehatan Provinsi Sulawesi Utara.
banyaknya kasus kematian ibu dan sejumlah variabel
prediktor yaitu:
𝒙1 = banyaknya ibu yang mengalami perdarahan
𝒙2 = banyaknya ibu yang mengalami hipertensi
dalam kehamilan
𝒙3 = banyaknya ibu yang mengalami infeksi
𝒙4 = banyaknya ibu yang mengalami sebab-sebab
lainnya.

3.3 Metode Penelitian

Berikut ini langkah-langkah untuk menganalisis
data:
Gambar 2. Sebaran Jumlah Kematian Ibu di
1. Input data
Sulawesi Utara tahun 2018
2. Analisis Deskripsi
3. Uji goodness of fit
4. Mengidentifikasi Multikolinearitas
5. Menentukan model regresi Poisson
6. Mengidentifikasi overdispersi pada model
regresi Poisson.
7. Menentukan model regresi Binomial Negatif
8. Pemilihan model terbaik
9. Menarik kesimpulan
4 HASIL DAN PEMBAHASAN
4.1 Analisis Deskripsi
Banyaknya kematian ibu dan data variabel
prediktor di Provinsi Sulawesi Utara tahun 2018 yang
digunakan dalam penelitian ini ditunjukkan pada Tabel Gambar 3. Histogram Jumlah Kematian Ibu di
1. Sulawesi Utara
Berdasarkan Gambar 2 terlihat bahwa banyaknya Plot pada gambar 3 memperlihatkan bentuk yang
kematian ibu yang tertinggi terdapat di Kabupaten tidak simetris dan cenderung mengikuti sebaran
Minahasa Selatan, yaitu sebanyak 11 kasus. Di ibukota Poisson.
propinsi yaitu Kota Manado ada 10 kasus kemudian
diikuti oleh Kabupten/Kota lainnya. Sebaliknya di 4.2 Goodness Of Fit
Kabupaten Sitaro tercatat tidak ada kasus kematian ibu
sepanjang tahun 2018. Uji goodness of fit untuk mengetahui suatu data
berdistribusi Poisson atau tidak dengan menggunakan
uji Kolmogorov-Smirnov. Dengan hipotesis:
𝐻0 = Data berdistribusi Poisson
𝐻1 = Data tidak berdistribusi Poisson
Dengan mengambil taraf signifikan 𝛼 maka kriteria
penolakan 𝐻0 adalah jika nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼. Hasil

136
 Penerapan Regresi Binomial Negatif Dalam Mengatasi Overdispersi Regresi Poisson Pada Kasus
Jumlah Kematian Ibu
d’Cartesian: Jurnal Matematika dan Aplikasi, Vol.9, No. 2, (September 2020): 133-139

analisis uji Kolmogorov-smirnov disajikan dalam Tabel Model regresi Poisson pada persamaan (16),
2. menunjukkan bahwa setiap peningkatan 1 kasus ibu
Tabel 2. Uji Kolmogorov-Smirnov hamil yang mengalami perdarahan akan meningkatkan
Kolmogorov-Smirnov 0,734 jumlah kematian ibu sebesar 𝑒𝑥𝑝(0.4713) = 1.16 kali
jika variabel lainnya tetap. Dengan kata lain, jika di
𝑝 − 𝑣𝑎𝑙𝑢𝑒 0,654 suatu kabupaten/kota terjadi penambahan 1 kasus ibu
yang mengalami perdarahan maka jumlah kematian ibu
Berdasarkan Tabel 2, dapat dilihat bahwa nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 di kota/kabupaten tersebut akan meningkat sebanyak
adalah 0,654 yang artinya lebih besar dari 𝛼 = 0,05. 1.16 kali dibandingkan dengan kota/kabupaten lainnya.
Jadi kesimpulannya adalah terima 𝐻0 artinya data Uji Wald dilakukan untuk mengetahui signifikansi
jumlah kasus kematian ibu di Provinsi Sulawesi Utara dari masing-masing parameter pada model regresi
berdistribusi Poisson. dengan menggunakan uji Wald sesuai dengan hasil pada
Tabel 4. Berdasarkan persamaan (13), diperoleh hasil
4.3 Multikolinearitas sebagaimana tertera pada Tabel 5.
Tabel 5. Pengujian Wald
Hasil perhitungan nilai VIF masing-masing
variabel prediktor terlihat pada Tabel 3. Variabel Nilai Wald Keputusan
𝒙1 4.198936 Tolak 𝐻0
Tabel 3. Nilai VIF (Variance Inflation Factor) 𝒙2 2.227467 Terima 𝐻0
Variabel Nilai VIF 𝒙3 1.071555 Terima 𝐻0
𝒙1 2.028512
𝒙4 2.823583 Terima 𝐻0
𝒙2 7.608976
𝒙3 5.635000 Keputusan penolakan hipotesisnya disajikan
𝒙4 2.240223 dalam Tabel 5. Kriteria ujinya adalah tolak 𝐻0 jika nilai
𝑊 > 𝑋 2 (0.05,1) = 3.841 sedangkan terima 𝐻0 jika nilai
Pada Tabel 3, terlihat bahwa nilai VIF dari semua 𝑊 < 𝑋 2 (0.05,1) = 3.841. Nilai Wald dari peubah 𝒙2 , 𝒙3 ,
variabel prediktor kurang dari 10. Hal ini berarti,
𝒙4 kurang dari nilai tabel X 2 (0.05,1) artinya 𝐻0 diterima
variabel banyaknya ibu meninggal karna perdarahan,
banyaknya ibu mengalami hipertensi dalam kehamilan, sehingga dapat disimpulkan bahwa ketiga variabel ini
banyaknya ibu mengalami infeksi dan variabel tidak memiliki pengaruh secara signifikan pada 𝛼 =
banyaknya ibu yang mengalami sebab-sebab lainnya 0.05. Sebaliknya nilai Wald untuk 𝒙1 lebih besar dari
dapat digunakan untuk memodelkan jumlah kasus X 2 (0.05,1) sehingga disimpulkan bahwa variabel ini
kematian ibu di Sulawesi Utara. memiliki pengaruh secara signifikan pada 𝛼 = 0.05
berarti 𝐻0 ditolak.
4.4 Estimasi dan Pengujian Regresi Poisson Hasil ini sejalan dengan hasil Survey Demografi
dan Kependudukan Indonesia (SDKI) 2012 bahwa
Hasil estimasi untuk setiap parameter 𝛽0 , 𝛽1 , ⋯ , 𝛽4 penyebab utama kematian ibu adalah karena
disajikan dalam Tabel 4. perdarahan postpartum (SDKI, 2012). Hal ini
Tabel 4. Nilai estimasi parameter model dipertegas oleh Achadi (2019) bahwa urutan pertama
regresi Poisson dari 5 penyebab 75% kasus kematian ibu adalah
pendarahan.
Pr(>|z|)
Parameter Estimasi 𝛽 Galat baku
4.5 Uji Overdispersi
0.5916
-0.2860 0.5332
𝛽0 Regresi Poisson mengasumsikan equidispersi yaitu
0.0404 * nilai rata-rata variabel respon sama dengan nilai
0.4713 0.2300
𝛽1 ragamnya. Jika nilai rata-ratanya lebih besar dari nilai
0.1356 ragamnya maka dikatakan terjadi overdispersi. Hasil
0.9613 0.6441 pengujian overdispersi disajikan dalam Tabel 6.
𝛽2
0.3006
-0.6860 0.6627 Tabel 6. Uji Overdispersi terhadap Variabel Respon 𝑌
𝛽3
0.0928 . Rata-rata Ragam Dispersion
0.1719 0.1023
𝛽4
3.467 10.267 0.232

Hasil analisis pada Tabel 4 menunjukkan bahwa

hanya variabel 𝑥1 yaitu banyaknya ibu yang mengalami
perdarahan yang secara signifikan mempengaruhi
variabel respon. Hal ini terlihat dari nilai p-value yang
bernilai kurang dari taraf nyata 0.05. Hasil estimasi
parameter 𝛽1 bernilai 0.4713. Hal ini menunjukkan
bahwa model regresi Poisson untuk jumlah kematian ibu
di Sulawesi Utara adalah sebagaimana tercantum pada
persamaan (16).
𝜇̂ = exp(−0.2860 + 0.4713𝒙1 ) (16)
Berdasarkan Tabel 6, dapat diketahui bahwa
dengan menggunakan persamaan (15), diperoleh nilai
person dispersi sebesar 0.232. Nilai Pearson dispersi
yang kurang dari satu ini mengindikasikan tidak terjadi
overdispersi. Meski demikian ragamnya bernilai 10.266
yang melebihi nilai rataannya yang merupakan salah
satu indikasi overdispersi. Hasil yang tidak konsisten ini
memerlukan penelitian lebih lanjut. Penelitian lanjut
antara lain dapat berupa penanganan data atau
pengujian overdispersi dengan pendekatan lain.

137
 Marzena M. Majore, Deiby T. Salaki, Jantje D. Prang
d’Cartesian: Jurnal Matematika dan Aplikasi, Vol.9, No. 2, (September 2020): 133-139

4.6 Etimasi dan Pengujian Regresi Binomial
Negatif
Hasil pengujian overdispersi pada sub bab
sebelumnya, tidak sepenuhnya mengindikasikan adanya
overdispersi. Hal ini mendorong penulis untuk
melakukan analisis lanjut dengan menggunakan regresi
binomial negatif sebagai salah satu alternatif
penanganan overdispersi. Penentuan model regresi
binomial negatif dilakukan pada semua kombinasi dari
4 variabel prediktor yaitu sebanyak 15 kemungkinan
model Pada Tabel 7 disajikan empat model masing-
masing dengan kombinasi 1, 2, 3 dan 4 variable prediktor
yang memiliki nilai AIC terkecil.
Tabel 7. Nilai AIC dari Kombinasi Model
No Model
𝑒𝑥𝑝(𝛽0 + 𝛽4 𝒙4 )
1 ibu di Sulawesi Utara.
𝑒𝑥𝑝(𝛽0 + 𝛽1 𝒙1 + 𝛽4 𝒙4 )
2 4.7 Pemilihan Model Terbaik
𝑒𝑥𝑝(𝛽0 + 𝛽1 𝒙1 + 𝛽2 𝒙2 + 𝛽4 𝒙4 )
3 dilakukan untuk memperoleh hasil analisis regresi yang
𝑒𝑥𝑝(𝛽0 + 𝛽1 𝒙1 + 𝛽2 𝒙2 + 𝛽3 𝒙3 + 𝛽4 𝒙4 )
4 model terbaik adalah Akaike information Criteria (AIC)
Tabel 7 menunjukkan bahwa model dengan nilai AIC
terkecil adalah model 2 yaitu model regresi binomial
negatif dengan variabel prediktor 𝒙1 dan 𝒙4 . Hasil
dugaan parameter dari regresi binomial negatif yang
menggunakan variabel prediktor 𝑥1 dan 𝑥4, ditampilkan
pada Table 8.
Tabel 8. Estimasi Nilai 𝛽 pada Model 2 Regresi
Binomial Negatif
Parameter Estimasi 𝛽 Galat baku
0.17556 0.30448
Intercept
0.29437 0.11790
𝑥1
0.32063 0.05863 4.54e-08 ***
𝑥4
Dari Tabel 8 dapat disimpulkan bahwa model yang
dihasilkan adalah :
𝜇̂ = exp(0.17556 + 0.29437𝑥1 + 0.32063𝑥4 )
(20)
Model pada persamaan (20) menunjukkan
bahwa setiap penambahan satu kasus ibu hamil yang
mengalami perdarahan (𝑥1) akan menaikkan nilai
harapan untuk kematian ibu sebesar 𝑒𝑥𝑝 (0.29437) =
1.3423 kali bila setiap variabel prediktor lainnya tetap.
Dengan kata lain, penambahan satu kasus perdarahan
akan meningkatkan kasus kematian ibu sebesar 1.3423 .
Setiap penambahan satu kasus ibu hamil yang
mengalami gangguan kesehatan akibat sebab-sebab
lainnya (𝑥4) akan menaikkan nilai harapan kematian ibu
sebesar exp(0.32063) = 1.377996 kali bila setiap
variabel prediktor lainnya tetap. Dengan kata lain,
penambahan satu kasus untuk sebab-sebab lainnya (𝑥4)
akan meningkatkan kasus kematian ibu sebesar
1.377996 kali.
Uji Wald akan dilakukan pada model 2 dari Tabel 7
yang hasilnya dapat dilihat pada Tabel 9.
Tabel 9. Pengujian Wald Untuk Model Regresi
Binomial Negatif
Variabel Wald 𝑿𝟐 (𝟎.𝟎𝟓;𝟏) Keputusan
𝒙1 6.233895 3.841459 Tolak 𝐻0
𝒙4 29.979441 3.841459 Tolak 𝐻0
Berdasarkan hasil analisis pada Tabel 9, dapat
dilihat bahwa nilai Wald dari variabel 𝒙1 , 𝒙4 lebih besar
dari nilai tabel X 2 (0.05,1) sehingga disimpulkan bahwa 𝐻0
ditolak. Hal ini mengindikasikan bahwa kedua variabel
ini memiliki pengaruh signifikan pada 𝛼 = 0.05. Dengan
kata lain, banyaknya ibu yang mengalami perdarahan
dan banyaknya ibu yang mengalami gangguan kesehatan
AIC yang disebabkan oleh faktor-faktor lainnya memiliki
56.133 pengaruh secara signifikan terhadap jumlah kematian
55.011
55.24
Pemilihan model regresi yang terbaik perlu
56.133
optimal. Kriteria yang dapat membantu untuk memilih
dan nilai uji Likelihood Ratio (T). Kriteria ini
dimaksudkan untuk menentukan tingkat kebaikan
model dari regresi binomial negatif dibandingkan
dengan regresi Poisson berdasarkan nilai AIC
sebagaimana disajikan dalam Tabel 10.
Tabel 10. Nilai AIC Model Regresi Poisson dan
Binomial Negatif Terpilih
Nilai AIC
Model
Pr(>|z|) 54.132
Regresi Poisson
0.5642 55.011
Regresi Binomial Negatif Terpilih
0.0125*
Tabel 10 menunjukkan AIC dari model regresi
Poisson lebih kecil dari pada AIC model regresi binomial
negatif. Hal ini menunjukkan bahwa model regresi
Poisson lebih baik dalam menentukan faktor-faktor yang
mempengaruhi jumlah kematian ibu di Sulawesi Utara.
Pemilihan model terbaik juga dilakukan dengan
uji likelihood ratio (T). Berikut ini adalah hipotesis uji
Likelihood ratio.
Hipotesis:
𝐻0 : 𝑘 = 0 (Model regresi Poisson lebih baik
daripada model regresi binomial negatif)
𝐻1 : 𝑘 ≠ 0 (Model regresi binomial negatif lebih
baik daripada model regresi Poisson)
Dengan kriteria pengujian tolak 𝐻0 jika 𝑇 > 𝑋 2 (0,05;1).
Berdasarkan persamaan (15), maka diperoleh:
𝑇 = 2(−23.50527 + 22.06613) = −2.87828
Untuk nilai 𝑋 2 (0,05;1) = 3.841459. Maka hasil yang
diperoleh adalah nilai 𝑇 < 𝑋 2 (0,05;1) yang menunjukkan
penerimaan 𝐻0 , berarti model regresi Poisson lebih baik
daripada model regresi binomial negatif.
5 Penutup
5.1 Kesimpulan
Penggunaan model regresi Poisson pada angka
kematian ibu di Provinsi Sulawesi Utara tidak

138
 Penerapan Regresi Binomial Negatif Dalam Mengatasi Overdispersi Regresi Poisson Pada Kasus
Jumlah Kematian Ibu
d’Cartesian: Jurnal Matematika dan Aplikasi, Vol.9, No. 2, (September 2020): 133-139

menujukkan indikasi kuat adanya overdispersi. Hasil Marzena Melisa Majore (mjrmelisa@gmail.com)
analisis menunjukkan bahwa regresi Poisson lebih baik Lahir di Essang, pada tanggal 10 Maret
dari pada regresi binomial negatif dalam memodelkan 1998. Menempuh pendidikan tinggi
jumlah kematian ibu di Sulawesi Utara tahun 2018 Jurusan Matematika, FMIPA,
dengan persamaan sebagai berikut: Universitas Sam Ratulangi Manado.
𝜇̂ = exp(0.4713𝒙1 ) Tahun 2020 adalah tahun terakhir ia
Dimana jika terjadi penambahan satu kasus menempuh studi. Makalah ini
perdarahan akibat melahirkan maka akan meningkatkan merupakan hasil penelitian skripsinya
nilai rataan jumlah kasus kematian ibu sebesar 1.16 kali. yang dipublikasikan.

5.2 Saran
Deiby Tineke Salaki (deibyts.mat@unsrat.ac.id)
1. Pemerintah dan Dinas Kesehatan harus lebih Lahir di Minahasa Selatan tanggal 17
memperhatikan mutu kerja dari tenaga kesehatan Desember 1972. Gelar sarjana
untuk mencegah terhadap kemungkinan terjadinya Matematika diperoleh tahun 1998 di
kasus perdarahan akibat melahirkan serta dalam Jurusan Matematika IPB Bogor.
menangani/mengatasi faktor-faktor lainnya pada
Tahun 2009 menyelesaikan studi S2,
ibu hamil saat melahirkan.
di Jurusan Matematika IPB Bogor.
2. Penelitian selanjutnya dapat dilakukan dengan
Tahun 2018 menyelesaikan studi S3
mengkaji penyebab overdispersi dan pada bidang Matematika di IPB
menggunakan metode GLM lainnya untuk Bogor. Saat ini menjadi pengajar
mengatasi overdispersi. tetap di Jurusan Matematika F-MIPA Unsrat Manado.
REFERENSI
Jantje Denny Prang (jantjeprang@gmail.com)
[1] Dinas Kesehatan Provinsi Sulawesi Utara. 2016. Lahir pada tanggal 20 Desember
Profil Kesehatan Provinsi Sulawesi Utara Tahun 1985. Gelar Master Sains (M.Si)
2016. Manado diperoleh dari Institut Pertanian
Bogor. Ia bekerja di UNSRAT di
[2] McCullagh, P dan Nelder, JA. 1989. Generalized Program Studi Matematika sebagai
Linear Models: 2nd Edition. London: Chapman pengajar akademik tetap UNSRAT.
and Hall.

[3] Budi Utomo. 1985. Mortalitas: Pengertian dan

Contoh Kasus di Indonesia. Jakarta: Fakultas
Kesehatan Masyarakat, UI.

[4] Dobson. Annette, J. 2002. An Introduction to

Generalized Linear Models. Chapman and Hall,
London.

[5] Lungan, R. 2006. Aplikasi Statistika dan Hitung

Peluang. Yogyakarta: Graha Ilmu

[6] Hocking, R. R. 1996. Methods and Applications of

Linears Models, Second Edition. New York: John
Wiley and Sons, Inc.

[7] Hardin, J. W., Hilbe, J. M. 2007. Generalized

Linear Models and Extensions. Texas: A Stata Press
Publication.

[8] Agresti, A. 2007. Categorical Data Analysis. Second

Edition. New York : John Wiley and Sons, Inc

[9] Ismail N & Jemain A.A. 2007. Handling

Overdispersion with Binomial Negatif and
Generalized Poisson Regression Models. .
Casualty Actuarial Society Forum : 103-158.

[10] Joseph, M.H. 2011. Negative Binomial Regression.

Second Edition. Cambridge University Press, New
York.

139